CN114878639A - 一种基于神经网络的汽车尾气浓度检测系统 - Google Patents

一种基于神经网络的汽车尾气浓度检测系统 Download PDF

Info

Publication number
CN114878639A
CN114878639A CN202210535430.8A CN202210535430A CN114878639A CN 114878639 A CN114878639 A CN 114878639A CN 202210535430 A CN202210535430 A CN 202210535430A CN 114878639 A CN114878639 A CN 114878639A
Authority
CN
China
Prior art keywords
network
concentration
circuit
neural network
tail gas
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210535430.8A
Other languages
English (en)
Inventor
欧汉文
张永全
田亮亮
杜西亮
宋静
曾冲
王小登
程正富
何金磊
蔡正蓬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Process Engineering of CAS
Chongqing University of Arts and Sciences
Original Assignee
Institute of Process Engineering of CAS
Chongqing University of Arts and Sciences
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Institute of Process Engineering of CAS, Chongqing University of Arts and Sciences filed Critical Institute of Process Engineering of CAS
Priority to CN202210535430.8A priority Critical patent/CN114878639A/zh
Priority to PCT/CN2022/099945 priority patent/WO2023221228A1/zh
Priority to LU503532A priority patent/LU503532B1/en
Publication of CN114878639A publication Critical patent/CN114878639A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
    • F01N—GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR MACHINES OR ENGINES IN GENERAL; GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR INTERNAL COMBUSTION ENGINES
    • F01N11/00—Monitoring or diagnostic devices for exhaust-gas treatment apparatus, e.g. for catalytic activity
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D23/00—Control of temperature
    • G05D23/19—Control of temperature characterised by the use of electric means
    • G05D23/1919—Control of temperature characterised by the use of electric means characterised by the type of controller
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0499—Feedforward networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
    • F01N—GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR MACHINES OR ENGINES IN GENERAL; GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR INTERNAL COMBUSTION ENGINES
    • F01N2560/00—Exhaust systems with means for detecting or measuring exhaust gas components or characteristics
    • F01N2560/02—Exhaust systems with means for detecting or measuring exhaust gas components or characteristics the means being an exhaust gas sensor
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
    • F01N—GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR MACHINES OR ENGINES IN GENERAL; GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR INTERNAL COMBUSTION ENGINES
    • F01N2560/00—Exhaust systems with means for detecting or measuring exhaust gas components or characteristics
    • F01N2560/06—Exhaust systems with means for detecting or measuring exhaust gas components or characteristics the means being a temperature sensor
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
    • F01N—GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR MACHINES OR ENGINES IN GENERAL; GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR INTERNAL COMBUSTION ENGINES
    • F01N2900/00—Details of electrical control or of the monitoring of the exhaust gas treating apparatus
    • F01N2900/04—Methods of control or diagnosing
    • F01N2900/0402—Methods of control or diagnosing using adaptive learning
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
    • F01N—GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR MACHINES OR ENGINES IN GENERAL; GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR INTERNAL COMBUSTION ENGINES
    • F01N2900/00—Details of electrical control or of the monitoring of the exhaust gas treating apparatus
    • F01N2900/04—Methods of control or diagnosing
    • F01N2900/0422—Methods of control or diagnosing measuring the elapsed time
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
    • F01N—GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR MACHINES OR ENGINES IN GENERAL; GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR INTERNAL COMBUSTION ENGINES
    • F01N2900/00—Details of electrical control or of the monitoring of the exhaust gas treating apparatus
    • F01N2900/06—Parameters used for exhaust control or diagnosing
    • F01N2900/14—Parameters used for exhaust control or diagnosing said parameters being related to the exhaust gas
    • F01N2900/1402—Exhaust gas composition
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0004—Gaseous mixtures, e.g. polluted air
    • G01N33/0006—Calibrating gas analysers
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0004—Gaseous mixtures, e.g. polluted air
    • G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
    • G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
    • G01N33/0036—General constructional details of gas analysers, e.g. portable test equipment concerning the detector specially adapted to detect a particular component
    • G01N33/0037—NOx
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0004—Gaseous mixtures, e.g. polluted air
    • G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
    • G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
    • G01N33/0036—General constructional details of gas analysers, e.g. portable test equipment concerning the detector specially adapted to detect a particular component
    • G01N33/004—CO or CO2
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Chemical & Material Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Electrochemistry (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Automation & Control Theory (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)
  • Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)

Abstract

本发明提供一种基于神经网络的汽车尾气浓度检测系统，包括传感器探头（100）、控制模块（200）、温度控制电路（300）、定时器模块（400）、尾气浓度电势检测电路（500）、热电偶测温补偿电路（600）及模拟量输出电路（700）；传感器探头（100）与温度控制电路（300）、尾气浓度电势检测电路（500）、热电偶测温补偿电路（600）电连接，温度控制电路（300）与定时器模块（400）电连接，定时器模块（400）、尾气浓度电势检测电路（500）、热电偶测温补偿电路（600）与控制模块（200）电连接，控制模块（200）与模拟量输出电路（700）连接。本申请系统灵敏度高、响应快、稳定性好、实用性强，能广泛用于汽车尾气浓度的实时监测。

Description

一种基于神经网络的汽车尾气浓度检测系统
技术领域
本发明涉及汽车尾气检测技术领域，具体涉及一种基于神经网络的汽车尾气浓度检测系统。
背景技术
随着科技的发展与社会的进步，汽车保有量逐年增加；汽车、尤其是燃油汽车在行驶过程中会产生大量尾气，汽车尾气中含有上百种不同的化合物，其中污染物包括固体悬浮颗粒、一氧化碳、二氧化碳、碳氢化合物、氮氧化合物、铅与硫氧化合物等。汽车尾气在直接危害人体身体健康的同时，还会对自然生态环境造成影响；例如：汽车尾气中的二氧化硫具有强烈的刺激气味、易造成土壤和水源的酸化、进而影响农作物等植物的生长，汽车尾气中的一氧化碳易危害人体中枢神经系统、导致人体出现缺氧性等生命危害，汽车尾气中的氮氧化物易造成人体呼吸系统功能失调，汽车尾气中的碳氢化物在紫外线作用下、易产生刺激人体眼睛与上呼吸道粘膜的光化学烟雾。
目前，全球已经开始进行强制实施汽车发动机电喷化、即利用装备电子控制燃油汽车的喷射系统，其通过高温尾气传感器实时监测与反馈尾气中的氧浓度与氮氧化物浓度，从而利用控制系统通过相应的控制手段从源头上降低一氧化碳、氮氧化物、碳氢化物等典型污染物的排放，达到节能减排、保护环境的目的。然而，除初始启动外、汽车在实时行驶过程中尾气浓度值(即氧浓度、氮氧化合物浓度)改变极其微弱，导致传感器输出的电信号极其微弱，无法及时、有效进行检测；同时由于汽车的行驶状态不同(即汽车行驶过程中包括加速、减速等状态)、传感器输出信号与尾气浓度之间为非线性的函数关系，造成电信号与浓度转换时存在不可控的误差、进而造成浓度检测的精确度差，因此，现有的高温尾气传感器存在检测精度低、实时性差、响应慢、稳定性差的问题。
发明内容
针对以上现有技术存在的问题，本发明的目的在于提供一种基于神经网络的汽车尾气浓度检测系统，以解决上述背景技术中存在的问题、实现汽车行驶过程中尾气浓度的精确检测。
本发明的目的通过以下技术方案实现：
一种基于神经网络的汽车尾气浓度检测系统，其特征在于：包括传感器探头、控制模块、温度控制电路、定时器模块、尾气浓度电势检测电路、热电偶测温补偿电路及模拟量输出电路；所述传感器探头与温度控制电路、尾气浓度电势检测电路、热电偶测温补偿电路电连接，所述温度控制电路与定时器模块电连接，所述定时器模块、尾气浓度电势检测电路、热电偶测温补偿电路与控制模块电连接，且尾气浓度电势检测电路、热电偶测温补偿电路与控制模块的ADC接口连接，所述控制模块的DAC接口与模拟量输出电路连接；
所述控制模块采用BP神经网络算法将采集的数字信号转化为尾气浓度信号、实现对尾气气体浓度的监测，包括数据预处理、数据网络构建、数据网络训练与数据网络检测。
作进一步优化，所述数据预处理为预先进行标定实验，其具体为：在模拟尾气环境下，控制尾气气体浓度变化，使得传感器探头由最小值Vmin到最大值Vmax进行变化，即Vmin，V1，V2，……，Vmax，其中Vmin～Vmax、一共n个值；
重复进行上述浓度变化过程m次，并且在变化过程中通过微控制器实时采集尾气浓度电势检测电路输出的模拟信号、记录依次对应的数字序列Xi、其中i∈(0,n×m-1)，构成向量X；在同时刻使用专门的浓度检测装置记录尾气气体浓度值，构成数字序列Yi、其中i∈(0,n×m-1)，构成向量Y；然后，计算获得向量X与Y中的最值，分别记为Xmin、Xmax、Ymin、Ymax；再使用归一法将数据映射到0～1的范围内，从而加快梯度下降时的求解速度与提高模型的训练精度，具体为：
Figure BDA0003647860560000031
式中，Ti值取向量X、向量Y的值，通过上述公式分别将这两组向量作归一化映射；
最后将向量X与Y构成一组2行、N×M-1列的向量、即(X,Y)，并将其分成训练样本与测试样本，完成数据预处理；
所述数据网络构建具体为：采用5层神经网络拓补结构，即输入层、第一隐藏层、第二隐藏层、第三隐藏层与输出层；从第一隐藏层开始，对应网络层连接系数向量为：W1、W2、W3、W4，网络层神经元阈值系数向量为：B1、B2、B3、B4，神经元输出向量为：Z1、Z2、Z3、Z4；
网络层与网络层之间采用F(x)作为激活函数，其中，
Figure BDA0003647860560000032
激活函数F(x)能够将每一层输入向量进行非线性的映射，使得网络层与网络层之间的数据为非线性关系，从而使网络模型具有非线性映射的能力、实现拟合复杂函数关系的目的，进而确保传感器输出信号与尾气浓度转换之间的精确性、避免出现不可控误差；
所述数据网络训练具体为：
首先根据网络模型，完成正向传播算法，从第一隐藏层开始，每一层的输出具体为：
Z1＝F(X*W1+B1)；
Z2＝F(Z1*W2+B2)；
Z3＝F(Z2*W3+B3)；
Z4＝F(Z3*W4+B4)；
得到神经网络的预测输出结果向量Z4；
然后采用均方误差优化网络参数，从而使得误差最小且最为优化，均方误差函数具体为：
Figure BDA0003647860560000041
神经网络算法基于梯度下降策略，以优化函数的负梯度方向进行网络参数的调整，选取神经网络中的任意一个参数v，获得其修正参数v’，具体为：
Figure BDA0003647860560000042
式中，u表示修正函数的强度；
数据网络训练中预设训练次数为K次，且预设均方差函数阈值L’；
在训练过程中，修正一次网络参数、便进行一次数据网络训练中的正向传播算法，然后计算均方误差的值是否满足预设阈值，若满足，保存网络中的参数、且退出循环；若不满足，则继续训练、直到达到相应的训练次数；
所述数据网络检测为：利用训练完成的网络参数及传感器探头检测到的数字信号，利用数据网络构建中的正向传播算法完成对汽车尾气浓度的检测。
作进一步优化，所述温度控制电路包括单片机(STM32H7系列)、双向可控硅(BTA08)、加热丝与光电双向可控硅驱动器(MOC3063)，所述单片机内部设置定时器、定时器的输出比较模式产生频率、占空比可变的脉冲波信号，即PWM信号，这个信号能够控制由双向可控硅构成的开关驱动电路、实现加热丝功率的调节；所述双向可控硅(BTA08)与加热丝串接在交流回路中、用于控制加热回路的导通与截止，所述光电双向可控硅驱动器(MOC3063)用于接收PWM信号，并运用PID控制模块中PID控制算法将检测到的温度控制在(750±3)℃。
作进一步优化，所述PID控制算法具体为：
Figure BDA0003647860560000043
式中，p(t)为PID控制反馈量；Kp、Ki、Kd分别为比例系数、积分系数、微分系数，它们的系数值均按照PID控制模块的整定方法得到；
PID控制算法将偏差信号通过比例、积分、微分的线性组合后的数字信号作用到单片机内部产生的PWM信号的占空比上，实现加热功率进行控制；其中，所述偏差信号为设定的温度值与实际的温度值的差值信号。
作进一步优化，所述尾气浓度检测系统还包括恒流输出电路，所述恒流输出电路包括运算放大器与三极管，其用于提高电路抗干扰能力、获得0～10mA的恒流输出。
作进一步优化，所述尾气浓度电势检测电路采用放大器对传感器探头输出信号进行放大，从而有效避免高频电磁噪声对控制模块检测电路的影响。
作进一步优化，所述热电偶测温补偿电路包括热电偶与温度传感器集成芯片。
作进一步优化，所述数据预处理中采用向量(X,Y)中的80％数据作为训练样本、20％数据作为测试样本。
作进一步优化，所述数据网络构建中输入层、第一隐藏层、第二隐藏层、第三隐藏层与输出层的神经元个数分别为1、20、20、10、1。
作进一步优化，所述数据网络训练中u取0.01。
作进一步优化，所述数据网络训练中L'≤0.01。
本发明具有如下技术效果：
本申请通过传感器探头、控制模块、温度控制电路、定时器模块、尾气浓度电势检测电路、热电偶测温补偿电路、模拟量输出电路的配合，实现了传感器工作温度的恒定控制，同时有效解决了传感器输出信号微弱以及非线性输出的数据拟合误差大、精确性差的问题。本申请尾气浓度检测系统灵敏度高、响应快、稳定性好、实用性强，且安装简便、操作简单，能够广泛应用于汽车尾气浓度的实时监测，从而有效减少环境污染以及尾气对于人体的伤害。
附图说明
图1为本申请实施例中检测系统的结构示意图。
图2为本申请实施例中检测系统的温度控制电路图。
图3为本申请实施例中尾气浓度电势检测电路图。
图4为本申请实施例中热电偶测温补偿电路图。
图5为本申请实施例中恒流输出电路图。
图6为本申请实施例中检测系统的数据网络构建中网络结构示意图。
其中，100、传感器探头；200、控制模块；300、温度控制电路；400、定时器模块；500、尾气浓度电势检测电路；600、热电偶测温补偿电路；700、模拟量输出电路。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例：
如图1～6所示，一种基于神经网络的汽车尾气浓度检测系统，其特征在于：包括传感器探头100、控制模块200、温度控制电路300、定时器模块400、尾气浓度电势检测电路500、热电偶测温补偿电路600及模拟量输出电路700；传感器探头100与温度控制电路300、尾气浓度电势检测电路500、热电偶测温补偿电路600电连接，温度控制电路300与定时器模块400电连接，定时器模块400、尾气浓度电势检测电路500、热电偶测温补偿电路600与控制模块200电连接，且尾气浓度电势检测电路500、热电偶测温补偿电路600与控制模块200的ADC接口连接，控制模块200的DAC接口与模拟量输出电路700连接；
温度控制电路300包括单片机(STM32H7系列、例如STM32H7VGT6)、双向可控硅(BTA08)、加热丝(采用镍铬电热合金)与光电双向可控硅驱动器(MOC3063)(如图2所示)，单片机内部设置定时器(与定时器模块400不等同)、定时器的输出比较模式产生频率、占空比可变的脉冲波信号，即PWM信号，这个信号能够控制由双向可控硅(BTA08)构成的开关驱动电路、实现加热丝功率的调节；双向可控硅(BTA08)与加热丝串接在交流回路中、用于控制加热回路的导通与截止，光电双向可控硅驱动器(MOC3063)用于接收PWM信号，并运用PID控制模块中的PID控制算法将检测到的温度控制在(750±3)℃。
PID控制算法具体为：
Figure BDA0003647860560000071
式中，p(t)为PID控制反馈量；Kp、Ki、Kd分别为比例系数、积分系数、微分系数，它们的系数值均按照PID控制模块的整定方法得到；
PID控制算法将偏差信号通过比例、积分、微分的线性组合后的数字信号作用到单片机内部产生的PWM信号的占空比上，实现加热功率进行控制；其中，偏差信号为设定的温度值与实际的温度值的差值信号。
尾气浓度电势检测电路500采用放大器(如AD603)对传感器探头100输出信号进行放大，从而有效避免高频电磁噪声对控制模块200检测电路的影响，同时尾气浓度电势检测电路500中还设置阻值为4.7k、1M的两个电阻以及多个电容器(如图3所示)。
热电偶测温补偿电路600包括热电偶(采用K型热电偶)与温度传感器集成芯片(AD8495)，同时热电偶测温补偿电路600中还设置阻值为20k、22k、200k、4.9k的四个基准电阻(如图4所示)。
尾气浓度检测系统还包括恒流输出电路，恒流输出电路包括运算放大器(LM324)、三极管(9013)以及阻值分别为1k的两个电阻(如图5所示)，其用于提高电路抗干扰能力、获得0～10mA的恒流输出。
控制模块200采用BP神经网络算法将采集的数字信号转化为尾气浓度信号、实现对尾气气体浓度的监测，包括数据预处理、数据网络构建、数据网络训练与数据网络检测。
数据预处理为预先进行标定实验，其具体为：在模拟尾气环境下，控制尾气气体浓度变化，数据预处理为预先进行标定实验，其具体为：在模拟尾气环境下，控制尾气气体浓度变化，使得传感器探头由最小值Vmin到最大值Vmax进行变化，即Vmin，V1，V2，……，Vmax，其中Vmin～Vmax、一共n个值；
重复进行上述浓度变化过程m次，并且在变化过程中通过微控制器采集尾气浓度电势检测电路500输出的模拟信号、记录依次对应的数字序列Xi、其中i∈(0,n×m-1)，构成向量X；在同时刻使用专门的浓度检测装置记录尾气气体浓度值，构成数字序列Yi、其中i∈(0,n×m-1)，构成向量Y；然后，计算获得向量X与Y中的最值，分别记为Xmin、Xmax、Ymin、Ymax；再使用归一法将数据映射到0～1的范围内，从而加快梯度下降时的求解速度与提高模型的训练精度，具体为：
Figure BDA0003647860560000081
式中，Ti值取向量X、向量Y的值，通过上述公式分别将这两组向量作归一化映射；
最后将向量X与Y构成一组2行、N×M-1列的向量、即(X,Y)，并将其分成训练样本与测试样本，其中80％数据作为训练样本、20％数据作为测试样本，完成数据预处理；
数据网络构建具体为：采用5层神经网络拓补结构，即输入层、第一隐藏层、第二隐藏层、第三隐藏层与输出层,它们的神经元个数分别为1、20、20、10、1；从第一隐藏层开始，对应网络层连接系数向量为：W1、W2、W3、W4，网络层神经元阈值系数向量为：B1、B2、B3、B4，神经元输出向量为：Z1、Z2、Z3、Z4；
网络层与网络层之间采用F(x)作为激活函数，其中，
Figure BDA0003647860560000091
激活函数F(x)能够将每一层输入向量进行非线性的映射，使得网络层与网络层之间的数据为非线性关系，从而使网络模型具有非线性映射的能力、实现拟合复杂函数关系的目的，进而确保传感器输出信号与尾气浓度转换之间的精确性、避免出现不可控误差；
数据网络训练具体为：
首先根据网络模型，完成正向传播算法，从第一隐藏层开始，每一层的输出具体为：
Z1＝F(X*W1+B1)；
Z2＝F(Z1*W2+B2)；
Z3＝F(Z2*W3+B3)；
Z4＝F(Z3*W4+B4)；
得到神经网络的预测输出结果向量Z4；
然后采用均方误差优化网络参数，从而使得误差最小且最为优化，均方误差函数具体为：
Figure BDA0003647860560000092
神经网络算法基于梯度下降策略，以优化函数的负梯度方向进行网络参数的调整，选取神经网络中的任意一个参数v，获得其修正参数v’，具体为：
Figure BDA0003647860560000093
式中，u表示修正函数的强度，u取0.01；
数据网络训练中预设训练次数为K次，且预设均方差函数阈值L’、L'≤0.01；
在训练过程中，修正一次网络参数、便进行一次数据网络训练中的正向传播算法，然后计算均方误差的值是否满足预设阈值，若满足，保存网络中的参数、且退出循环；若不满足，则继续训练、直到达到相应的训练次数；
数据网络检测为：利用训练完成的网络参数及传感器探头100检测到的数字信号，利用数据网络构建中的正向传播算法完成对汽车尾气浓度的检测。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (8)

1.一种基于神经网络的汽车尾气浓度检测系统，其特征在于：包括传感器探头(100)、控制模块(200)、温度控制电路(300)、定时器模块(400)、尾气浓度电势检测电路(500)、热电偶测温补偿电路(600)及模拟量输出电路(700)；所述传感器探头(100)与温度控制电路(300)、尾气浓度电势检测电路(500)、热电偶测温补偿电路(600)电连接，所述温度控制电路(300)与定时器模块(400)电连接，所述定时器模块(400)、尾气浓度电势检测电路(500)、热电偶测温补偿电路(600)与控制模块(200)电连接，且尾气浓度电势检测电路(500)、热电偶测温补偿电路(600)与控制模块(200)的ADC接口连接，所述控制模块(200)的DAC接口与模拟量输出电路(700)连接；
所述控制模块(200)采用BP神经网络算法将采集的数字信号转化为尾气浓度信号、实现对尾气气体浓度的监测，包括数据预处理、数据网络构建、数据网络训练与数据网络检测。
2.根据权利要求1所述的一种基于神经网络的汽车尾气浓度检测系统，其特征在于：所述数据预处理为预先进行标定实验，其具体为：在模拟尾气环境下，控制尾气气体浓度变化、使得传感器探头(100)输出值从最小值到最大值进行变化，数据预处理为预先进行标定实验，其具体为：在模拟尾气环境下，控制尾气气体浓度变化，使得传感器探头由最小值Vmin到最大值Vmax进行变化，即Vmin，V1，V2，……，Vmax，其中Vmin～Vmax、一共n个值；
重复进行上述浓度变化过程m次，并且在变化过程中通过微控制器采集尾气浓度电势检测电路(500)输出的模拟信号、记录依次对应的数字序列Xi、其中i∈(0,n×m-1)，构成向量X；在同时刻使用专门的浓度检测装置记录尾气气体浓度值，构成数字序列Yi、其中i∈(0,n×m-1)，构成向量Y；然后，计算获得向量X与Y中的最值，分别记为Xmin、Xmax、Ymin、Ymax；再使用归一法将数据映射到0～1的范围内，从而加快梯度下降时的求解速度与提高模型的训练精度，具体为：
Figure FDA0003647860550000021
式中，Ti值取向量X、向量Y的值，通过上述公式分别将这两组向量作归一化映射；
最后将向量X与Y构成一组2行、N×M-1列的向量、即(X,Y)，并将其分成训练样本与测试样本，完成数据预处理。
3.根据权利要求2所述的一种基于神经网络的汽车尾气浓度检测系统，其特征在于：所述数据网络构建具体为：采用5层神经网络拓补结构，即输入层、第一隐藏层、第二隐藏层、第三隐藏层与输出层；从第一隐藏层开始，对应网络层连接系数向量为：W1、W2、W3、W4，网络层神经元阈值系数向量为：B1、B2、B3、B4，神经元输出向量为：Z1、Z2、Z3、Z4；
网络层与网络层之间采用F(x)作为激活函数，其中，
Figure FDA0003647860550000022
所述数据网络训练具体为：
首先根据网络模型，完成正向传播算法，从第一隐藏层开始，每一层的输出具体为：
Z1＝F(X*W1+B1)；
Z2＝F(Z1*W2+B2)；
Z3＝F(Z2*W3+B3)；
Z4＝F(Z3*W4+B4)；
得到神经网络的预测输出结果向量Z4；
然后采用均方误差优化网络参数，从而使得误差最小且最为优化，均方误差函数具体为：
Figure FDA0003647860550000023
神经网络算法基于梯度下降策略，以优化函数的负梯度方向进行网络参数的调整，选取神经网络中的任意一个参数v，获得其修正参数v’，具体为：
Figure FDA0003647860550000031
式中，u表示修正函数的强度；
数据网络训练中预设训练次数为K次，且预设均方差函数阈值L’；
在训练过程中，修正一次网络参数、便进行一次数据网络训练中的正向传播算法，然后计算均方误差的值是否满足预设阈值，若满足，保存网络中的参数、且退出循环；若不满足，则继续训练、直到达到相应的训练次数；
所述数据网络检测为：利用训练完成的网络参数及传感器探头(100)检测到的数字信号，利用数据网络构建中的正向传播算法完成对汽车尾气浓度的检测。
4.根据权利要求2或3所述的一种基于神经网络的汽车尾气浓度检测系统，其特征在于：所述温度控制电路(300)包括单片机、双向可控硅、加热丝与光电双向可控硅驱动器，所述单片机内部设置定时器、定时器的输出比较模式产生频率、占空比可变的脉冲波信号，即PWM信号；所述双向可控硅与加热丝串接在交流回路中，所述光电双向可控硅驱动器用于接收PWM信号，并运用PID控制模块中PID控制算法将检测到的温度控制在(750±3)℃。
5.根据权利要求2～4任一项所述的一种基于神经网络的汽车尾气浓度检测系统，其特征在于：所述尾气浓度电势检测电路(500)采用放大器对传感器探头(100)输出信号进行放大。
6.根据权利要求2～4任一项所述的一种基于神经网络的汽车尾气浓度检测系统，其特征在于：所述热电偶测温补偿电路(600)包括热电偶与温度传感器集成芯片。
7.根据权利要求2所述的一种基于神经网络的汽车尾气浓度检测系统，其特征在于：所述数据预处理中采用向量(X,Y)中的80％数据作为训练样本、20％数据作为测试样本。
8.根据权利要求3所述的一种基于神经网络的汽车尾气浓度检测系统，其特征在于：所述数据网络构建中输入层、第一隐藏层、第二隐藏层、第三隐藏层与输出层的神经元个数分别为1、20、20、10、1。
CN202210535430.8A 2022-05-17 2022-05-17 一种基于神经网络的汽车尾气浓度检测系统 Pending CN114878639A (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202210535430.8A CN114878639A (zh) 2022-05-17 2022-05-17 一种基于神经网络的汽车尾气浓度检测系统
PCT/CN2022/099945 WO2023221228A1 (zh) 2022-05-17 2022-06-20 一种基于神经网络的汽车尾气浓度检测系统
LU503532A LU503532B1 (en) 2022-05-17 2022-06-20 Vehicle exhaust gas concentration detection system based on neural network

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210535430.8A CN114878639A (zh) 2022-05-17 2022-05-17 一种基于神经网络的汽车尾气浓度检测系统

Publications (1)

Publication Number Publication Date
CN114878639A true CN114878639A (zh) 2022-08-09

Family

ID=82675862

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210535430.8A Pending CN114878639A (zh) 2022-05-17 2022-05-17 一种基于神经网络的汽车尾气浓度检测系统

Country Status (3)

Country Link
CN (1) CN114878639A (zh)
LU (1) LU503532B1 (zh)
WO (1) WO2023221228A1 (zh)

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011006344A1 (zh) * 2009-07-15 2011-01-20 北京航空航天大学 砂尘环境试验系统的温度调节装置及智能温度控制方法
CN102192927B (zh) * 2010-11-05 2012-09-26 重庆大学 一种基于电子鼻技术的空气质量监测系统及其监测方法
CN105388937B (zh) * 2015-12-04 2017-09-22 中国电子科技集团公司第四十八研究所 一种用于气体传感器的精准恒温控制方法及装置
CN112037012A (zh) * 2020-08-14 2020-12-04 百维金科(上海)信息科技有限公司 一种基于pso-bp神经网络的互联网金融信用评价方法

Also Published As

Publication number Publication date
WO2023221228A1 (zh) 2023-11-23
LU503532B1 (en) 2023-11-30

Similar Documents

Publication Publication Date Title
Chen et al. Concentration estimator of mixed VOC gases using sensor array with neural networks and decision tree learning
Veerachary et al. Neural-network-based maximum-power-point tracking of coupled-inductor interleaved-boost-converter-supplied PV system using fuzzy controller
CN111931411B (zh) 压电驱动微定位平台Duhem动态迟滞建模方法
CN102588129A (zh) 高压共轨柴油机氮氧化物和颗粒排放的优化协同控制方法
CN114878639A (zh) 一种基于神经网络的汽车尾气浓度检测系统
US4459669A (en) Method and apparatus for controlling the air-fuel ratio in an internal combustion engine
CN111158282B (zh) 一种用于交联电缆生产线的单神经元fpga控制方法及系统
CN114991920B (zh) 一种用于柴油机汽车尾气氮氧化物的处理系统
Mufa’ary et al. Comparison of FLC and ANFIS Methods to Keep Constant Power Based on Zeta Converter
US3984663A (en) Signal maximum or minimum seeking circuit
EP1163503A1 (de) Gassensor und verfahren zum betreiben eines gassensors
CN116470576A (zh) 基于pwm和模糊神经mppt控制下的多电平逆变系统
Pang Short-term harmonic forecasting and evaluation affected by electrified railways on the power grid based on stack auto encoder neural network method and the comparison to BP method
Stork et al. Adaptive control system for autonomous vehicle path following
Vestenicky et al. Simple method of photovoltaic panel power characteristic measurement based on Arduino hardware platform
CN102522937B (zh) 一种风力发电最大功率跟踪控制方法
He et al. Research on DC Electronic Load System Based on BP Neural Network PID Control
CN103235511B (zh) 一种基于内分泌算法的托卡马克装置等离子体密度智能化控制方法
Wang et al. Portable vehicular electronic nose system for detection of automobile exhaust
CN102108906A (zh) 发动机控制参数调整方法
CN109752196A (zh) 一种基于bp神经网络控制的车辆侧风试验方法
DE19537466A1 (de) Vorrichtung und Verfahren zur Regelung der Temperatur eines den Durchsatz eines strömenden Mediums erfassenden Meßwiderstandes
CN114252472B (zh) 一种锅炉入炉煤量在线测量方法及系统
DE4226591C1 (en) Gas sensor with temp. regulation circuit including resistance bridge - has control circuit for maintaining temp. of sensors in resistance bridge circuit constant, with circuit output indicating heat caused by gas
NL2028909B1 (en) Method for maximum power point tracking

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination